GenEdXR: A Generative AI-Driven Extended Reality Framework for Adaptive Educational Entertainment Ecosystems

تخيل فصلاً دراسياً لا تظل فيه خطة الدرس ثابتة أبداً. بدلاً من معلم يقرأ من نص ثابت لغرفة من الطلاب الذين يتعلمون جميعاً بسرعات مختلفة، يتشكل الدرس نفسه في الوقت الفعلي. إنه يغير صعوبة المسألة في اللحظة التي يعاني فيها الطالب، ويقدم شرحاً جديداً عندما يحل الارتباك، ويغير البيئة للحفاظ على تفاعل المتعلم دون إثقال كاهله. هذا هو الوعد الذي يقدمه التعلم التكيفي، وهو مجال سعى طويلاً لمطابقة التعليم مع العقل الفردي. لسنوات، حاول الباحثون بناء أنظمة يمكنها "قراءة" تقدم الطالب والتكيف وفقاً لذلك، لكن هذه الأنظمة غالباً ما كانت تقتصر على الشاشات المسطحة والمحتوى المكتوب مسبقاً. كان بإمكانها تكييف الكلمات الموجودة على الصفحة، لكنها لم تستطع تغيير العالم المحيط بالطالب.

في الوقت نفسه، نضجت تقنية أخرى: الواقع الممتد (XR). وهذا هو المصطلح الشامل للواقع الافتتراضي والمختلط، حيث يمكن للمتعلمين الدخول داخل بيئة ثلاثية الأبعاد، والتحكم في الأشياء بأيديهم، والشعور بالحضور الجسدي في الدرس. وبينما أظهر الواقع الممتد قدرته على جعل التعلم أكثر انغماساً، إلا أن معظم الأنظمة الحالية لا تزال تعتمد على مشاهد ثابتة ومسجلة مسبقاً. تبدو البيئة حقيقية، لكنها لا تعرف وجود الطالب هناك؛ فهي لا تستطيع معرفة ما إذا كان الطالب يشعر بالملل، أو القلق، أو مستعداً لتحدٍ أصعب. لقد كانت الفجوة بين هذين العالمين — البرمجيات الذكية التكيفية والبيئات المادية الغامرة — عائقاً مستعصياً. وتحاول دراسة جديدة أجراها تينغتينغ شي، ونا غو، وتشاوكان تشنغ، سد هذه الفجوة من خلال بناء نظام يوحدهما في منظومة واحدة حية.

قدم الباحثون إطار عمل أطلقوا عليه اسم GenEdXR، صُمم لخلق تجربة تعليمية غامرة بعمق ومتطورة باستمرار. يعمل النظام من خلال دمج أربع قدرات متميزة في حلقة مغلقة. أولاً، يستخدم محرك تتبع متطور لتقدير ما يعرفه الطالب في أي ثانية، عبر تحليل إجاباته السابقة والوقت الذي استغرقه في حل المسائل. ثانياً، يستخدم نموذج لغة كبير، وهو نوع من الذكاء الاصطناعي القادر على توليد النصوص، لإنشاء أسئلة وقصص وشروحات جديدة فورياً، مصممة خصيصاً لسد الفجوات في معرفة الطالب. ثالثاً، يقوم محرك اتخاذ القرار، المدرب عبر طريقة تشبه كيفية تعلم الحيوان من المكافآت، بتحديد المحتوى التالي بدقة وكيفية تعديل الصعوبة. وأخيراً، يتم تغليف هذه العملية برمتها بطبقة عرض متعددة الحواس للواقع الممتد تقدم الدرس في مساحة افتراضية أو مختلطة.

ولاختبار مدى فعالية هذه الآلة المعقدة، لم يبدأ الفريق بوضعها في فصل دراسي حقيقي، بل أجروا محاكاة ضخمة باستخدام بيانات من ثلاث مجموعات بيانات تعليمية عامة مختلفة، تغطي كل شيء من رياضيات المرحلة المتوسطة إلى الدورات الجامعية. أعادوا تشغيل البصمات الرقمية لـ 33,510 متعلم مختلف عبر نظامهم. وفي هذه المحاكاة، أنشأ الباحثون أربعة إصدارات مختلفة من التجربة لمعرفة ما هو الأكثر أهمية. استخدم أحد الإصدارات نظام الذكاء الاصطناعي التكيفي الكامل داخل بيئة واقع ممتد غامرة. واستخدم إصدار آخر نفس الذكاء الاصطناعي الذكي ولكن تم تقديمه على شاشة كمبيوتر عادية ثنائية الأبعاد. أما الإصدار الثالث فقد حافظ على بيئة الواقع الممتد الغامرة ولكن مع إزالة الذكاء الاصطناعي، حيث قدم للطالب محتوى ثابتاً مكتوباً مسبقاً. والنسخة الأخيرة كانت منصة رقمية أساسية غير تكيفية، بدون ذكاء اصطناعي وبدون انغماس.

كانت نتائج هذه المحاكاة مذهلة. فالنظام الكامل، الذي جمع بين الذكاء الاصطناعي التوليدي وبيئة الواقع الممتد الغامرة، تفوق على جميع النسخ الأخرى. فقد حقق أعلى مكاسب تعليمية، مما يعني أن الطلاب المحاكيين أتقنوا مواد أكثر. كما حافظ على تفاعل الطلاب وساعدهم على البقاء في "حالة التدفق"، وهي منطقة نفسية حيث تتناسب صعوبة المهمة تماماً مع مستوى مهاراتهم، مما يمنع الملل والإحباط معاً. والأهم من ذلك، نجح النظام في القيام بذلك مع إبقاء الجهد الذهني المطلوب من الطلاب أقل مما كان عليه في النسخ الأخرى. ووجد الباحثون أن البيئة الغامرة وحدها لم تكن كافية لتحقيق هذه النتائج، كما لم يكن الذكاء الاصطناعي التكيفي وحده كافياً أيضاً. فعندما اختبروا الذكاء الاصطناعي على شاشة مسطحة أو البيئة الغامرة بمحتوى ثابت، كانت المكاسب التعليمية أقل بكثير ومتشابهة إحصائياً مع بعضها البعض. ولم يتحقق كامل إمكانات النظام إلا عندما تم الجمع بينهما، مما يشير إلى أن الفائدة تأتي من التآزر بين المحتوى الذكي المتغير والعالم الذي يشعرك بالوجود المادي.

كشفت الدراسة أيضاً عن الفئة الأكثر استفادة من هذه التقنية. فقد وفر النظام التكيفي أكبر دفعة للطلاب الذين بدأوا بأقل قدر من المعرفة. بالنسبة لهؤلاء المتعلمين، صنع قدرة النظام على تعديل الصعوبة باستمرار وتقديم دعم مخصص وفوري فرقاً هائلاً. أما بالنسبة للطلاب الذين كانوا يعرفون المادة جيداً، فقد كانت الميزة أقل بكثير، وهو ما يتماشى مع فكرة أن الأنظمة التكيفية تكون أكثر قيمة عندما تكون هناك حاجة إليها لسد فجوات محددة. وكان النظام سريعاً بما يكفي للعمل في الوقت الفعلي؛ حيث أكد الباحثون أن العملية بأكملها، من تحليل إجراء الطالب إلى توليد قطعة محتوى جديدة وعرضها في العالم الافتراضي، استغرقت أقل من ربع ثانية. وهذه السرعة أمر بالغ الأهمية، لأن أي تأخير من شأنه أن يكسر إيهام الحضور في بيئة غامرة.

ومع ذلك، يلاحظ الباحثون بحذر أن هذه النتائج تأتي من محاكاة. فقد تم اختبار النظام عن طريق إعادة تشغيل بيانات موجودة، وليس من خلال مراقبة طلاب حقيقيين يرتدون سماعات الرأس في فصل دراسي حي. وبينما تشير البيانات إلى أن النظام يعمل، فإن التأثير الحسي والعاطفي للتواجد الفعلي داخل العالم الافتراضي لا يمكن قياسه بالكامل دون تجارب واقعية. علاوة على ذلك، يعتمد النظام على ذكاء اصطناعي لتوليد المحتوى، وبينما وجد الباحثون أن المواد المولدة كانت ذات صلة وجذابة، إلا أنها لم تكن مثالية، مع وجود هامش صغير من الخطأ في الدقة الواقعية. وهذا يعني أنه في بيئة العالم الحقيقي، ستظل الإشراف البشري ضرورياً على الأرجح لضمان بقاء المحتوى موثوقاً.

رغم هذه القيود، يقدم هذا العمل مخططاً ملموساً لمستقبل تكنولوجيا التعليم. فهو يثبت أنه من الممكن بناء نظام لا يكتفي بتقديم المحتوى فحسب، بل يبني بنشاط بيئة تعليمية تستجيب لعقل وجسد المتعلم. ومن خلال إثبات أن الجمع بين الذكاء الاصطناعي التوليدي والواقع الغامر يخلق تأثيراً تعليمياً أكبر من مجموع أجزائه، تشير الدراسة نحو جيل جديد من الأدوات التعليمية. هذه الأدوات قد تسمح يوماً ما لطالب بالدخول إلى مختبر افتراضي حيث تتغير التجارب بناءً على فهمه، أو درس تاريخ حيث يتغير السرد ليتناسب مع فضوله، كل ذلك بينما يضمن النظام بهدوء أنه لن يضيع أبداً، ولن يشعر بالملل، وسيكون دائماً مستعداً للتعلم.